{{flagHref}}
Productos
  • Productos
  • Categorías
  • Blog
  • Podcast
  • Solicitud
  • Documento
|
|
/ {{languageFlag}}
Seleccionar Idioma
Stanford Advanced Materials {{item.label}}
Stanford Advanced Materials
Seleccionar Idioma
Stanford Advanced Materials {{item.label}}
Por favor, empiece a hablar
a

Un modelo universal de aprendizaje profundo para el diseño de dedos de zinc permite la reprogramación de factores de transcripción

Título Un modelo universal de aprendizaje profundo para el diseño de dedos de zinc permite la reprogramación de factores de transcripción
Autores David M. Ichikawa, Osama Abdin, Nader Alerasool, Manjunatha Kogenaru, April L. Mueller, Han Wen, David O. Giganti, Gregory W. Goldberg, Samantha Adams, Jeffrey M. Spencer, Rozita Razavi, Satra Nim, Hong Zheng, Courtney Gionco, Finnegan T. Clark, Alexey Strokach, Timothy R. Hughes, Timothee Lionnet, Mikko Taipale, Philip M. Kim, Marcus B. Noyes
Revista Naturaleza Biotecnología
Fecha 01/26/2023
DOI 10.1038/s41587-022-01624-4
Introducción Los dominios de dedo de zinc Cys2His2 de ingeniería son fundamentales para la regulación programable de la expresión génica, lo que ofrece un potencial terapéutico. Sin embargo, el diseño de estos dominios para interactuar específicamente con el ADN ha sido complejo. Este estudio presenta ZFDesign, un modelo de aprendizaje profundo desarrollado tras analizar 49.000 millones de interacciones proteína-ADN, que permite superar los retos que plantea el diseño de dedos de zinc para cualquier diana genómica. ZFDesign modela eficientemente las variaciones globales y específicas de la diana y considera la compatibilidad de los dedos vecinos a través de una arquitectura de transformador jerárquico. La versatilidad del modelo se demuestra mediante la reprogramación de factores de transcripción para aumentar, reducir o probar la regulación de un solo gen, un avance significativo sobre la influencia tradicional de los factores de transcripción en múltiples genes.
Cita David M. Ichikawa, Osama Abdin, Nader Alerasool et al. A universal deep-learning model for zinc finger design enables transcription factor reprogramming. Nat. Biotechnol. 2023. Vol. 41(8):1117-1129. DOI: 10.1038/s41587-022-01624-4
Elemento Zinc (Zn)
Materiales Compuestos químicos
Temas Aprendizaje automático en el diseño de materiales
Industria Investigación y laboratorio
Documentos relacionados
Cargando... Por favor, espere...
Publique sus investigaciones y artículos en el sitio web de SAM
Descargo de responsabilidad
Esta página proporciona solo los metadatos de trabajos académicos para ayudar a las personas a localizar fácilmente la información relevante. Para acceder al contenido completo de los trabajos, utilice el DOI para visitar el sitio web del editor original. Los datos provienen de bases de datos académicas de acceso público y cumplen con los términos de uso de estas plataformas. Si tiene alguna preocupación sobre derechos de autor, por favor contáctenos. Abordaremos su solicitud de manera inmediata

¡Éxito! Ahora estás suscrito

¡Te has suscrito con éxito! Revisa pronto tu bandeja de entrada para ver los excelentes correos electrónicos de este remitente.
Deja Un Mensaje
Deja Un Mensaje
* Tu Nombre:
* Su Correo Electrónico:
* Nombre del producto:
* Tu teléfono:
* Comentarios: